MODEL DAN ANALISIS DATA SURVIVAL MENGGUNAKAN SEBARAN LOG-LOGISTIK NURMAULIDAH G

Ukuran: px
Mulai penontonan dengan halaman:

Download "MODEL DAN ANALISIS DATA SURVIVAL MENGGUNAKAN SEBARAN LOG-LOGISTIK NURMAULIDAH G"

Transkripsi

1 MODEL DAN ANALII DATA URVIVAL MENGGUNAKAN EBARAN LOG-LOGITIK NURMAULIDAH G DEPARTEMEN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM INTITUT PERTANIAN BOGOR BOGOR 27

2 2 ABTRACT NURMAULIDAH. Modl and urvval Daa Analyss W Log-logsc Dsrbuon. uprvsd by RETNO BUDIARTI and HADI UMARNO. om vns appnd n daly lf always rlad w m, spcally n mdcal suds. Daa abou lng of obsrvd m o ras an vn s calld survval daa. T survval m of an ndvdual s sad o b cnsord wn nd pon of nrs as no bn obsrvd for a ndvdual. Many rsarcrs consdr survval daa analyss o b mrly applcaon of wo convnonal sascal mods o spcal yp of problm, paramrc f dsrbuon of survval ms s known and nonparamrc f dsrbuon s unknown. Paramrc mods for survval daa w Log-logsc dsrbuon av wo modls, y ar Log-logsc Acclrad Falur Tm AFT modl and Log-logsc Proporonal Odds PO modl. Analyss of survval daa, a us bo of wo modls, sow rao of on vn o anor and ow dos on ndpndn varabl acclrad vn. If w usd logsc rgrsson o analyz cnsord daa, rsul wll b undr sma.

3 3 ABTRAK NURMAULIDAH. Modl dan Analss Daa urvval Mnggunakan baran Log-logsk. Dbmbng ol RETNO BUDIARTI dan HADI UMARNO. Prswa yang rjad dalam kdupan sar-ar ruama dalam duna kdokran srngkal brubungan dngan waku. Daa nang lama waku pngamaan radap munculnya suau kjadan dsbu daa survval. Cr kas daa survval adala survval m waku pngamaan srngkal dak lngkap Cnsord. urvval m dkaakan dak lngkap jka waku akr dar kjadan dak dapa dama. Dua mod yang dgunakan unuk mnganalss daa survval adala mod non paramrk dan mod paramrk. Mod paramrk dapa dgunakan jka daa yang dprol mmlk pola sbaran rnu. Mod paramrk daa survval dngan sbaran Log-logsk mmlk dua modl yau modl Acclrad Falur Tm Log-logsk dan modl Proporonal Odds Log-logsk. Analss daa survval mnggunakan kdua modl,mnunjukkan raso sau kjadan radap kjadan yang lan dan sbrapa cpa suau varabl bbas mmprcpa rjadnya sbua prswa. Daa rsnsor jka danalss dngan mnggunakan rgrs logsk akan mmbrkan asl yang bas.

4 4 MODEL DAN ANALII DATA URVIVAL MENGGUNAKAN EBARAN LOG-LOGITIK krps baga sala sau syara unuk mmprol glar arjana ans pada Fakulas Mamaka dan Ilmu Pngauan Alam Insu Pranan Bogor Ol : NURMAULIDAH G DEPARTEMEN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM INTITUT PERTANIAN BOGOR BOGOR 27

5 5 Judul : Modl dan Analss Daa urvval Mnggunakan baran Log-logsk Nama : Nurmaulda NRP : G Mnyuju: Pmbmbng I, Pmbmbng II, Ir. Rno Budar, M.. NIP Dr. Ir. Had umarno, M.. NIP Mngau: Dkan Fakulas Mamaka dan Ilmu Pngauan Alam Insu Pranan Bogor Prof. Dr. Ir. Yonny Kosmaryono, M.. NIP Tanggal Lulus :

6 6 KATA PENGANTAR Bsmllarromanrrom Alamdullla, sgala puj bag Alla. Robb smsa alam yang la mmbrkan ramanya kpada pnuls, sngga karya lma n dapa pnuls slsakan pa pada wakunya. olawa dan salam smoga rcura kpada Rasululla Muammad AW, kluarga, saaba dan para pngkunya ngga akr zaman. Tanpa banuan dan dukungan dar brbaga pak mungkn pnuls dak dapa mnylsakan ugas akr n. Ol karna u, dalam ksmpaan n pnuls ngn mngucapkan rma kas kpada :. Ibu Rno Budar dan Bapak Had umarno slaku pmbmbng yang dngan sabar mmbmbng pnuls. 2. Bapak I Wayan Mangku, rma kas suda brsda mnjad pnguj dan aas masukan yang la dbrkan. 3. Mama, alm. Bapak, kdua kakakku rsayang, kakak par dan kponakanku rma kas unuk smua dukungan, cna, praan dan kas sayangnya. 4. Dosn-dosn d Dparmn Mamaka, rma kas aas lmu yang la Bapak dan Ibu brkan, sra saff Dparmn Mamaka : Pak Dny, Pak Yono, Pak Bono, Bu Ad, Bu us, Bu Mars, rma kas aas banuan slama d Dparmn Mamaka. 5. Kluarga kclku d Bogor, rma kas unuk smua cna dan kas sayangnya. 6. TNT, rma kas unuk smanga dan guan-gurannya. Knangan nda brsama kalan dak akan prna rlupakan. 7. Lg blu, banyak knangan nda dalam prjuangan n. Trma kas unuk plajaran ksabaran dan ksqomaan yang dbrkan. Brsama kalan aku mrasakan ndanya slam. 8. audara-saudarku d L, rma kas unuk smua ca dan cra nda yang ka ukr brsama, walaupun dak snda yang ka arapkan. moga Alla brknan mnrmanya sbaga sbua amalan. 9. BEM 25/26 yang suda mngs ar-ar ku dngan angs dan awa.. Yuda rma kas suda mnjad pndngar sa, Walda, Mayang rma kas aas smanganya, Marln, Iw, Inda, Ma, r, Ac, Dw rma kas aas doanya, Mka, Ifn, Jaja, Els, Nc, Ulfa, Am, Ica, Vna, Nsa, Agaa, Ma, Hrn, Jayu, Fbr, awa, Ar, Muf, Dmas, Al, Mukaf, Aam, Abdlla, Yud, Rusl, Rama, Azs, prma, Ll, Dm, Rama, Brr, Anon, yusuf, Pura, Mano.. Vamdrs: Ayz, Ajng, Canduz, Mbak Hda, Mbak Vna, Mbak yof, Mbak wwk, Ika, Ina, Za, Ela, Lsma, Dw, Am, Oca, Ila, Ta, Pyo. Pnuls brarap karya lma n dapa brmanfaa. Bogor, M 27 Nurmaulda

7 7 RIWAYAT HIDUP Nurmaulda, lar d Jakara 2 Novmbr 985 sbaga anak kga dar ga brsaudara dar pasangan Alm. Bapak H. Mansyur Asm dan Ibu Hj. Asma. Lulus dar kola Mnnga Umum Ngr 65 Jakara pada aun 23. Pada aun yang sama pnuls drma sbaga maassw d Dparmn Mamaka, Fakulas Mamaka dan Ilmu Pngauan Alam, Insu Pranan Bogor mlalu jalur Undangan lks Masuk IPB UMI. lama mngku prkulaan pnuls akf mnjad Pngurus Dwan Prwaklan Maasswa Tngka Prsapan Brsama DPM TPB IPB 23/24 sbaga skrars Koms Pngmbangan umbrdaya Maasswa, Bndaara II Badan Ekskuf Maasswa Fakulas Mamaka dan Ilmu Pngauan alam BEM FMIPA IPB 24/25, Bndaara umum Badan Ekskuf Maasswa BEM FMIPA IPB 25/26, anggoa KAMMI Ksauan Aks Maasswa Muslm Indonsa komsara IPB 23-skarang. lan u pnuls mnjad guru amu d MA N 5 Bogor dan MA Plus YPHB Bogor sbaga pngajar mamaka klas 3 IPA.

8 8 DAFTAR II Halaman PENDAHULUAN Laar Blakang... Prmasalaan... Tujuan Pnulsan... smaka Pnulsan... LANDAAN TEORI... urvval... Ruang Cono, Kjadan dan Pluang...2 Puba Acak dan Fungs baran...2 Fungs urvvor dan Fungs Hazard...2 Mod Paramrk dan NonParamrk...3 Odds...3 Uj Hposs...3 MODEL...3 Rgrs Logsk...3 Cono Daa urvval...4 Fungs urvvor Log-logsk...4 Fungs Hazard Log-logsk...4 Modl Acclrad Falur Tm...5 Modl Proporonal Odds...6 CONTOH KAU IMPULAN... 4 DAFTAR PUTAKA... 4 LAMPIRAN

9 PENDAHULUAN Laar Blakang Masala yang rjad dalam kdupan sar-ar ruama yang brkaan dngan duna kdokran srngkal brubungan dngan waku. Msalnya, lama pnyak yang ddra ssorang ngga smbu aau mnnggal, rspon ssorang radap prlakuan oba yang dbrkan, dan lan-lan. Daa nang lama waku pngamaan radap munculnya kjadan dsbu sbaga daa survval. Cr kas dar daa survval adala survval m waku braan dup srngkal dak lngkap rsnsor. Waku braan dup dkaakan dak lngkap jka waku akr dar kjadan dak dapa dama sngga saus akr dar ndvdu dak dapa dkau karna ndvdu rsbu dak dkau konds slanjunya. Dua jns snsor yang rdapa dalam daa survval adala snsor k, yau jka waku kjadan dapa dama scara pa dan snsor slang yau pngamaan waku kjadan anya dlakukan pada slang rnu. Mod yang dgunakan unuk mnganalss daa survval ada dua macam yau nonparamrk d anaranya dngan mnggunakan lf abl, mod yang kdua adala mod paramrk yakn dngan daa yang dprol mmlk pola sbaran rnu. Prmasalaan Karakrsk dar daa survval umumnya dak dapa dama scara uu aau sampa slsa rsnsor, sngga dprlukan sbua analss daa survval mnggunakan mod rnu. Tujuan Pnulsan Mmplajar modl dan analss daa survval mnggunakan sbaran Log-logsk unuk daa rsnsor dan daa dak rsnsor. Modolog dan smaka Pnulsan Karya lma n adala sud pusaka dngan pusaka uama adala Modllng urvval Daa n Mdcal Rsarc yang d uls ol Coll, 994. Bagan prama dar karya lma n brskan pndauluan yakn mncrakan laar blakang pnulsan, prmasalaan yang dbaas, ujuan pnulsan sra modolog dan ssmaka pnulsan. Bagan kdua dar ulsan n brskan landasan or yakn dfns-dfns yang mndukung pmbaasan. Bagan kga nang pmodlan. Bagan kmpa mrupakan cono kasus. Bagan klma mrupakan smpulan. Bagan knam brskan dafar pusaka yang dgunakan dalam pnulsan karya lma n. LANDAAN TEORI urvval Dfns Daa urvval Daa survval adala daa nang pngamaan jangka waku dar awal pngamaan sampa dngan rjadnya suau prswa, prswa u dapa brupa kmaan, rspon, mbul gjala, dan lanlan. Daa survval dapa dama scara lngkap daa dak rsnsor dan dak lngkap daa rsnsor. L, 992 Dfns 2 Waku Awal Waku awal yau waku pada saa rjadnya kjadan awal, spr waku sorang sarjana baru lulus dar unvrsas, waku pmbran prlakuan, dan lan-lan. L, 992 Dfns 3 Waku Kgagalan Falur Tm Waku kgagalan yau waku pada saa rjadnya kjadan akr spr waku sorang sarjana mndapakan pkrjaan, rspon dar prlakuan akr, dan lan-lan. L, 992 Dfns 4 Daa Trsnsor Daa rsnsor adala daa yang dak dapa dama scara uu, karna adanya ndvdu yang mnnggal pada saa pngamaan aau adanya ndvdu yang lang aau alasan lan sngga dak dapa dama kmbal daanya. L, 992

10 2 Ruang Cono, Kjadan dan Pluang Dfns 5 Ruang Cono Ruang cono adala mpunan smua asl yang mungkn dar suau prcobaan acak, dan dnoaskan dngan Ω. Grmm dan rzakr, 992 Dfns 6 Kjadan Kjadan adala suau mpunan bagan dar ruang cono. Grmm dan rzakr, 992 Dfns 7 Mdan -σ Mdan -σ adala suau mpunan yang anggoanya rdr aas mpunan bagan dar Ω yang mmnu konds brku :. F, 2. Jka A, A2,... F maka A F, c 3. Jka A F maka A F. Grmm dan rzakr, 992 Puba Acak dan Fungs baran Dfns 8 Puba Acak Msalkan F adala mdan-σ dar ruang cono Ω. uau puba acak X adala suau fungs X : Ω R dngan sfa ω Ω: X ω x F unuk sap { } x R. Grmm dan rzakr, 992 Puba acak dnoaskan dngan uruf kapal X, Y, Z, nla puba acak dulskan dngan uruf kcl x, y, z. ap puba acak pas mmlk fungs sbaran. Dfns 9 Fungs baran Fungs sbaran dar suau puba acak X adala suau fungs F : R [,] yang dbrkan ol F X x P X x. Grmm dan rzakr, 992 Dfns Puba Acak Konnu X dkaakan konnu jka fungs sbarannya dapa dnyaakan sbaga F X x x f u du, x R dngan f : R [, adala fungs yang rngralkan. Fungs f X dkaakan fungs kpkaan pluang dar puba acak X. Grmm dan rzakr, 992 Dfns Pluang Brsyara Pluang brsyara adala pluang mbulnya suau kjadan dngan syara bawa suau kjadan lan la mbul rlb daulu. P A B P B A. P A Hogg dan Crag, 995 Fungs urvvor dan Fungs Hazard Dfns 2 Fungs urvvor Fungs urvvor adala fungs yang mnyaakan pluang ssorang dapa braan dup ngga aau lb dar waku, yang ddfnskan sbaga brku : P T, dngan puba acak T mnyaakan waku braan dup dan mmpunya fungs kpkaan pluang f : d f. d Torma Jka fungs urvvor dngan P T maka fungs kpkaan pluang dar T adala f dngan : d f d Buk : f x dx karna f x dx f x dx maka f x dx d f x dx d [ ] d Trbuk. d d f. d Coll, 994 Dfns 3 Fungs Hazard Fungs Hazard adala fungs yang mnyaakan pluang ssorang mnnggal pada waku dngan syara bawa ssorang u la braan dup ngga waku, fungsnya dbrkan sbaga brku :

11 3 T < δ T P lm. δ δ Dar dfns d aas dprol ubungan anara fungs urvvor dngan fungs Hazard. Dngan mnggunakan dfns pluang brsyara, dprol : P T δ T lm δ f d karna f d d log d log d H maka { } P T < δ P T F δ F F δ F δ xp H. Cox dan Oaks, 984 Mod Paramrk dan Nonparamrk Dfns 4 Mod Paramrk Mod paramrk adala mod analss yang mmlk asums sbaran. Msalnya, daa yang dama mnybar normal, mnybar bnom, mnybar log-logsk, dan lan-lan. Hogg dan Crag, 995 Dfns 5 Mod Nonparamrk Mod nonparamrk adala mod analss yang dak brdasarkan asums sbaran rnu. Odds Hogg dan Crag, 995 Dfns 6 Odds Dalam or pluang dan sask, odds adala raso aau prbandngan anara pluang sukss p dngan pluang gagal - p. Coll, 994 Uj Hposs Dfns 7 Uj Hposs Uj poss adala suau auran yang dgunakan unuk mnrma aau mnolak suau poss dar asl amaan yang dprol. Hposs mngna populas yang akan ka rma kbnarannya sampa ada buk unuk mnolaknya dnamakan poss nol null yposs/h. Apabla poss n dolak kbnarannya maka ada poss lan yang ka anggap bnar, yau poss andngan Alrnav Hyposs/H. Dalam prumusan poss dknal dua macam poss yau a. Hposs sau ara. H : µ µ H : µ > µ 2. H : µ µ H : µ < µ b. Hposs dua ara H : µ µ H : µ µ. Hogg dan Crag, 995 MODEL Rgrs Logsk Bnuk spsfk modl rgrs Logsk adala β β x x. β β x Hosmr dan anly, 2 Transformas dar x d sbu ransformas log yang ddfnskan sbaga brku x g x ln β β x. 2 x Hosmr dan anly, 2

12 4 Cono Daa urvval Daa yang rmasuk dalam daa survval mmnu mpa krra, yau:. Waku kjadan. 2. n j, dngan n j adala jumla objk yang dama. 3. Banyaknya objk yang mnnggal d. j 4. Banyaknya objk yang rsnsor c j. Jka c j maka dsbu pngamaan dlakukan scara uu, sbalknya jka c j dsbu dngan survval snsor. Tabl. Cono Daa Tdak Trsnsor Waku n j d j ^, 3 5, , ,273 7,9 n Dmana j ^, 3 N, j Dngan N, jumla ndvdu dalam sau j mpunan daa. Tabl 2. Cono Daa Trsnsor Prod Waku d j c j n j Dalam mngama suau daa yang dbuukan adala populas aau cono yang akan djadkan objk. anlla, 26 baran Log-logsk Dfns baran Log-logsk Puba acak T dsbu mnybar Log-logsk dngan paramrθ, k jka fungs kpkaan pluangnya adala k f. 4 2 Fungs sbarannya adala F θ ky k y 2 dy Msal u y du k y dy du dy, k y ky maka F dy 2 y ky du 2 u k y -2 u du y k θ. Jad F. 5 Fungs urvvor sbaran Log-logsk Fungs urvvor dar sbaran Log-logsk ddfnskan sbaga brku F Fungs Hazard sbaran Log-logsk Fungs Hazard dar sbaran Log-logsk adala f.

13 5 k. 2 k. 7 Modl Acclrad Falur m AFT Loglogsk dan modl Proporonal Odds PO Log-logsk cara umum Odds d dfnskan sbaga brku. 8 Dngan mnggunakan prsamaan 6 maka Odds dar sbaran Log-logsk adala. θ k.. 9 Log Odds unuk ndvdu yang braan dup lb dar dprol dngan mmbrkan logarma pada prsamaan 9 θ k log log θ k log. Modl Acclrad Falur Tm AFT Loglogsk Dalam analss daa survval, n pmbaasan adala pngamaan radap ndvdu aau klompok ndvdu yang mngalam suau kjadan rnu yang rn scara ba-ba karna ada fakor yang mmpngarunya spr: smbu, dan mnnggal duna yang mnybabkan pngamaan radap kjadan rsbu rn dsbu Falur Tm waku kgagalan. Jka kjadan yang rjad rn lb cpa dar dugaan waku sblumnya maka dsbu Acclrad Falur Tm waku kgagalan yang dprcpa AFT. Modl AFT fungs Hazard scara umum adala Fungs Hazard awal. Fungs Hazard k-. β x β 2 x2... β p x p dngan,2,,n dan modl Acclrad Falur Tm fungs urvvor scara umum adala f 2 Fungs urvvor k- Fungs Hazard k- β x β 2 x2... β p x p dngan,2,,n ngga modl AFT fungs Hazard Loglogsk ddfnskan sbaga brku k θ k k θ θ k k k 3 θ k k dan modl AFT fungs urvvor Log-logsk f. 4 θ k k Dar prsamaan d aas dapa dkau bawa waku braan dup ndvdu mnybar Log- θ k, k. logsk dngan paramr Bnuk Log-lnar dar modl Acclrad Falur Tm AFT Log-logsk Unuk mmudakan dalam mnganalss daa survval dalam mnafsrkan pndugaan paramr dngan mnggunakan sofwar maka dbuukan rprsnas modl Acclrad Falur Tm Log-logsk dalam bnuk log-lnar. Tafsran log-lnar adala kumpulan dar puba acak dngan waku

14 6 braan dup T ddfnskan sbaga brku logt µ α x... α pxp σε. 5 Mnggunakan dfns fungs urvvor, maka P T P log T log log µ... α p x p P ε. 6 σ Prsamaan d aas adala bnuk umum dar afsran log-lnar. Jka dasumskan bawa ε mnybar Logsk, maka fungs kpkaan pluang dan fungs urvvor dar ε adala ε f ε 7 ε 2 ε. 8 ε Maka fungs urvvor dar T adala log µ α x... α x p p xp 9 σ Prsamaan d aas adala afsran log-lnar dar sbaran Log-logsk. Fungs urvvor unuk ndvdu yang mnybar Log-logsk dngan paramr θ k, k dngan β x β x... β p x. 2 2 p Fungs urvvor dar T adala. 2 θ k k Dngan mmbandngkan fungs urvvor T dan prsamaan 9, dapa dla bawa µ θ 2 σ k 22 σ β α. 23 Modl Proporonal Odds Log-logsk cara umum modl Proporonal Odds unuk ndvdu yang braan dup lb dar ddfnskan sbaga brku, 24 dngan β x... β p x, p adala kombnas lnar nla varabl pnjlas. adala fungs survvor awal, jka nla varabl pnjlas sama dngan nol. Unuk mndapakan modl Proporonal Odds Log-logsk, dapa dgunakan Odds. Dar prsamaan 9 dprol θ k. ubsuskan prsamaan 9 k prsamaan 24, maka dprol θ k. 25 Brdasarkan prsamaan d aas dkau bawa waku braan dup mrupakan sbaran Log-logsk dngan paramr θ, k. Log odds unuk ndvdu yang braan lb dar adala l og log k { θ } θ klog. 26 Karakrsk azard raso dar modl Proporonal Odds Log-logsk 27 Jka dasumskan maka Hazard rasonya adala la Lampran. Prsamaan d aas mnunjukkan bawa paramr β dgunakan pada kdua modl yau modl Proporonal Odds dan modl Acclrad Falur Tm.

15 7 CONTOH KAU Daa 5 pasn pndra Hyprnproma Hyprnproma aau basa dsbu dngan Rnal Cll Carcnoma adala pnyak kankr pada lapsan pl saluran gnjal. Hyprnproma mnyrang orang dwasa dngan usa 4 aun. Tramn prlakuan yang dlakukan radap pndra Hyprnproma brmacam-macam sala saunya adala opras yang dsbu Nprcomy. Dasumskan waku braan dup dar pndra Hyprnproma mnybar Loglogsk dngan fungs kpkaan pluang k dan fungs sbaran f 2 F Grafk. Fungs kpkaan pluang sbaran Log-logsk Grafk 2. Fungs baran Log-logsk Fungs urvvor yang dmlk Grafk 3. Fungs Hazard sbaran Log-logsk Grafk 4. Fungs urvvor sbaran Loglogsk Dbrkan daa 5 pndra Hyprnproma la Lampran 2 Analss daa 5 pndra Hyprnproma, unuk daa rsnsor dan daa yang dak rsnsor mnggunakan A asc Aplcaon ofwar. Dprol asl sbaga brku : Dkau juga fungs Hazard dar Loglogsk adala, dan k. Daa rsnsor Rgrs logsk Analyss of Maxmum Lklood Esmas andard Wald Paramr DF Esma Error C-quar Pr > Cq Inrcp <. Usa Prlakuan g x x.939x 2 x Usa x 2 Prlakuan Hasl analss mnunjukkan bawa prlakuan yang dbrkan dak mmpngaru waku braan dup pndra. dangkan usa brpngaru

16 8 radap waku braan dup pndra. Odds raso sma usa la Lampran 3 adala.8, yang brar sap aunnya rjad pnngkaan pndra Hyprnproma sbanyak.8 kal, smakn brambanya usa ssorang maka pluang braan dupnya smakn kcl. Analss urvval Analyss of Paramr Esmas andard 95% Confdnc C- Paramr DF Esma Error Lms quar Pr>Cq Inrcp <. Prlakuan Prlakuan Usa cal Inrcp µ cal σ β α kofsn dar masng-masng nla x dmana x Usa x 2 Prlakuan β adala nla pnduga unuk Usa β 2 adala nla pnduga unuk prlakuan dak dopras β.845 β x.4333x 2 µ.485 θ σ.8835 k σ Modl AFT Varabl Prlakuan Jka 2 Maka : θ k k Pluang braan dup pndra yang mngalam opras. Pluang braan dup pndra yang dak dopras * smad survvor survval m Grafk 5. Fungs urvvor modl AFT Loglogsk unuk pndra yang mngalam opras dan pndra yang dak dopras daa rsnsor. Pluang braan dup pndra yang dopras lb bsar dar pada pndra yang dak dopras. k θ k k k θ k k Pluang kmaan pndra yang mngalam opras. Pluang kmaan pndra yang dak dopras

17 smad azard survval m Grafk 6. Fungs Hazard modl AFT Loglogsk unuk pndra yang mngalam opras dan pndra yang dak dopras daa rsnsor. Modl AFT Varabl Usa θ k k.5.3 * smad survvor survval m Grafk 7. Fungs urvvor modl AFT Loglogsk daa rsnsor. θ k k k θ k k smadazard µ -6 survval m Grafk 8. Fungs Hazard modl AFT Loglogsk unuk pndra daa rsnsor. Modl PO * β βk Coll 994 Unuk varabl prlakuan Pluang braan dup pndra yang mngalam opras. Pluang braan dup pndra yang dak dopras. Modl PO * β βk θ k.997 θ k Coll, 994 Raso kmaan pndra yang mngalam opras. Raso kmaan pndra yang dak dopras Raso kmaan pndra yang dopras radap pndra yang dak dopras adala 5.5.

18 2. Daa dak rsnsor Rgrs logsk Analyss of Maxmum Lklood Esmas andard Wald Paramr DF Esma Error C-quar Pr > Cq Inrcp <. Prlakuan Usa g x x.45x 2 x Usa x 2 Prlakuan Hasl analss mnunjukkan, prlakuan mmpngaru waku braan dup pndra. Jka pndra mngalam opras maka nla dar gx akan mnngka sbsar.45 kal sauan. Brdasarkan odds raso sma la Lampran 4 unuk prlakuan adala 4.7 maka raso braan dup pndra yang dopras radap pndra yang dak dopras adala 4:. dangkan odds raso sma usa la Lampran 4 adala.58, yang brar pndra sap aunnya mnngka.58 kal, smakn brambanya usa ssorang maka pluang braan dupnya smakn kcl. Analss urvval Analyss of Paramr Esmas andard 95% Confdnc C- Paramr DF Esma Error Lms quar Pr>Cq Inrcp Prlakuan Prlakuan Usa cal Inrcp µ cal σ β α kofsn dar masng-masng nla x dmana x Usa x 2 Prlakuan β adala nla pnduga unuk Usa β 2 adala nla pnduga unuk Prlakuan Dar asl analss dkau nla unuk masng-masng paramr β.266 β x.933x 2 µ θ 8.6 σ.44 k 2.5 σ.44 Jka 2 Maka :.. θ k k Pluang braan dup pndra yang mngalam opras. Pluang braan dup pndra yang dak dopras * Modl AFT Varabl Prlakuan

19 smad survvor survval m Grafk 9. Fungs urvvor modl AFT Loglogsk unuk pndra yang mngalam opras dan pndra yang dak dopras daa dak rsnsor. Pluang braan dup pndra yang dak dopras lb bsar dar pada pndra yang dopras. k. θ k k k. θ k k Raso kmaan pndra yang mngalam opras. Raso kmaan pndra yang dak dopras smad azard survval m Grafk. Fungs Hazard modl AFT Loglogsk unuk pndra yang mngalam opras dan pndra yang dak dopras daa dak rsnsor. Raso kmaan pndra yang mngalam opras lb bsar darpada raso kmaan pndra yang dak dopras. Modl PO * β βk Coll, 994 Unuk varabl prlakuan Pluang braan dup pndra yang mngalam opras. Pluang braan dup pndra yang dak dopras. * β βk θ k.3 θ k.25 Raso kmaan pndra yang mngalam opras. Raso kmaan pndra yang dak dopras Raso kmaan pndra yang dopras radap pndra yang dak dopras adala.. 3. Daa dak rsnsor Rgrs logsk

20 2 Analyss of Maxmum Lklood Esmas andard Wald Paramr DF Esma Error C-quar Pr > Cq Inrcp <. Prlakuan Usa g x x.5537x 2 x Usa x 2 Prlakuan Hasl analss mnunjukkan varabl prlakuan dak mmpngaru radap waku braan dup pndra. dangkan usa mmpngaru waku braan dup pndra. Odds raso sma usa la Lampran 5 adala.45, yang brar pndra Hyprnproma sap aun mnngka sbsar.45 kal, smakn brambanya usa ssorang maka pluang braan dupnya smakn kcl. Analss urvval Analyss of Paramr Esmas andard 95% Confdnc C- Paramr DF Esma Error Lms quar Pr>Cq Inrcp <. Prlakuan Prlakuan Usa cal Inrcp µ Pluang braan dup pndra cal σ yang dak dopras. β α kofsn dar masng-masng nla x dmana x Usa x 2 Prlakuan β adala nla pnduga unuk Usa β 2 adala nla pnduga unuk Prlakuan Dar asl analss dkau nla unuk masng-masng paramr µ 5.66 θ.3 σ.4968 k 2. σ.4968 β.376 β Modl AFT Varabl Prlakuan Jka 2 Maka :.. θ k k Pluang braan dup pndra yang mngalam opras * smad survvor survval m Grafk. Fungs urvvor modl AFT Loglogsk unuk pndra yang mngalam opras dan pndra yang dak dopras daa dak rsnsor. Pluang braan dup pndra yang dopras lb bsar dar pada pndra yang dak dopras. k. θ k k k. θ k k

21 3 Pluang kmaan pndra yang mngalam opras. Pluang kmaan pndra yang dak dopras smad azard survval m Grafk 2. Fungs Hazard modl AFT Loglogsk unuk pndra yang mngalam opras dan pndra yang dak dopras daa dak rsnsor. Modl AFT Varabl Usa θ k k.3 2. * Grafk 3. Fungs urvvor modl AFT Log-logsk daa dak rsnsor. θ k k k θ k k Grafk 4. Fungs Hazard modl AFT Loglogsk daa dak rsnsor. Modl PO * β βk Coll, 994 Unuk varabl prlakuan Pluang braan dup pndra yang mngalam opras. Pluang braan dup pndra yang dak dopras. * β βk θ k.867 θ k.6 Raso kmaan pndra yang mngalam opras. Raso kmaan pndra yang dak dopras Raso kmaan pndra yang dopras radap pndra yang dak dopras adala 3.5.

22 4 IMPULAN Analss varabl prlakuan daa survval dngan modl sbaran Log-logsk mnggunakan dua modl yau modl Acclrad Falur Tm AFT Loglogsk dan modl Proporonal Odds PO Log-logsk. Dalam analss daa dngan modl AFT, varabl prlakuan mampu mnngkakan pluang braan dup pndra yang dopras sbsar. kal smnara u analss daa mnggunakan modl PO mampu mnngkakan pluang dup pndra yang dopras sbsar kal. Daa rsnsor lb pa danalss dngan mnggunakan analss survval, karna jka danalss mnggunakan rgrs logsk akan mmbrkan asl yang bas undr sma. DAFTAR PUTAKA Coll, 994. Modllng urvval Daa n Mdcal Rsarc. 3 d. London- Glasgow-Wnm-Nw York-Tokyo- Mlbourn-Madras:Capman and Hall. Cox, D. R dan Oaks, 984. Analyss of urvval Daa. Cambrdg: Unvrsy Prss. Grmm, G. R and R. rzakr Probably and Random Procss. 2 nd Ed. Oxford :Clndron Prss. Hogg, V. R and Crag, T. A Inroducon o Mamacal asc.5 d. Nw Jrsy: Prnc Hall, Englwood Clffs Publsr. Hosmr, D. W and anly L. 2. Appld Logsc Rgrsson. 2 nd Ed. Nw York- Ccsr-Wnm-Brsban- ngapor-torono: A Wly- Inrscnc Publcaon. L, E. T ascal Mods for urvval Daa Analyss. cond d. Nw York: A Wly Inrscnc Publcaon. anlla, E. 26. Pnylsaan Masala Daa urvval Dngan Mnggunakan Mod Nonparamrk [skrps]. Bogor: Fakulas Mamaka dan Ilmu Pngauan Alam, Insu Pranan Bogor.

23 L A M P I R A N

24 6 Lampran Pnurunan Hazard rao [ ] [ ] [ ] [ ] { } [ ] - log log log log log log log f f f f f d d d d d d

25 7

26 8 Lampran 2 Daa 5 orang pndra pnyak Hyprnproma Nomor Usa Waku nsor Prlakuan

27 Krangan : nsor Prlakuan : Trsnsor Mnnggal : Tdak opras opras Ellsa T. L, 994 Lampran 3. Daa rsnsor Rgrs Logsk T LOGITIC Procdur Modl Informaon Daa WORK._TMP_ Rspons Varabl Evns nsor Rspons Varabl Trals Waku Modl bnary log Opmzaon Tcnqu Fsr's scorng Numbr of Obsrvaons Rad 5 Numbr of Obsrvaons Usd 5 um of Frquncs Rad 84 um of Frquncs Usd 84 Rspons Profl Ordrd Bnary Toal Valu Oucom Frquncy Evn 4 2 Nonvn 79 Modl F ascs Inrcp Inrcp and Crron Only Covaras AIC C Log L T LOGITIC Procdur Tsng Global Null Hyposs: BETA Ts C-quar DF Pr > Cq Lklood Rao cor Wald Typ 3 Analyss of Effcs Wald Effc DF C-quar Pr > Cq Usa Prlakuan Analyss of Maxmum Lklood Esmas andard Wald Paramr DF Esma Error C-quar Pr > Cq Inrcp <. Usa Prlakuan

28 2 Odds Rao Esmas Pon 95% Wald Effc Esma Confdnc Lms Usa Prlakuan vs Assocaon of Prdcd Probabls and Obsrvd Rsponss Prcn Concordan 75. omrs' D.574 Prcn Dscordan 7.6 Gamma.69 Prcn Td 7.3 Tau-a.5 Pars 4272 c.787 Analss urvval Inpu proc forma; valu saus 'Mnnggal' 'Trsnsor'; run; daa pndra; npu Nomor Usa Waku nsor daalns; Prlakuan

29 ; proc lfrg; class prlakuan; modl Waku*nsor Prlakuan Usa/dLLOGITIC; run; T LIFEREG Procdur Modl Informaon Daa WORK.PENDERITA Dpndn Varabl LogWaku Cnsorng Varabl nsor Cnsorng Valus Numbr of Obsrvaons 5 Noncnsord Valus 4 Rg Cnsord Valus 36 Lf Cnsord Valus Inrval Cnsord Valus Nam of Dsrbuon LLogsc Log Lklood Numbr of Obsrvaons Rad 5 Numbr of Obsrvaons Usd 5 Class Lvl Informaon Nam Lvls Valus Prlakuan 2 Typ III Analyss of Effcs Wald Effc DF C-quar Pr > Cq Prlakuan Usa Analyss of Paramr Esmas andard 95% Confdnc C- Paramr DF Esma Error Lms quar Pr Cq Inrcp <. Prlakuan Prlakuan Usa cal

30 22 Lampran 4. Daa dak rsnsor Rgrs logsk T LOGITIC Procdur Modl Informaon Daa WORK.PENDERITA Rspons Varabl Evns nsor Rspons Varabl Trals Waku Modl bnary log Opmzaon Tcnqu Fsr's scorng Numbr of Obsrvaons Rad 4 Numbr of Obsrvaons Usd 4 um of Frquncs Rad 38 um of Frquncs Usd 38 Rspons Profl Ordrd Bnary Toal Valu Oucom Frquncy Evn 4 2 Nonvn 294 Analss urvval Modl F ascs Inrcp Inrcp and Crron Only Covaras AIC C Log L T LOGITIC Procdur Analyss of Maxmum Lklood Esmas andard Wald Paramr DF Esma Error C-quar Pr > Cq Inrcp <. Prlakuan Usa Odds Rao Esmas Pon 95% Wald Effc Esma Confdnc Lms Prlakuan Usa Assocaon of Prdcd Probabls and Obsrvd Rsponss Inpu proc forma; valu saus 'Mnnggal' 'Trsnsor'; Prcn Concordan 73.7 omrs' D.55 Prcn Dscordan 8.6 Gamma.597 Prcn Td 7.8 Tau-a.48 Pars 46 c.775 run; daa pndra; npu Nomor Usa Waku daalns; Prlakuan

31 ; proc lfrg; class prlakuan; modl Waku*nsor Prlakuan Usa/dLLOGITIC; run; T LIFEREG Procdur Modl Informaon Daa WORK.PENDERITA Dpndn Varabl LogWaku Cnsorng Varabl nsor Cnsorng Valus Numbr of Obsrvaons 4 Noncnsord Valus 4 Rg Cnsord Valus Lf Cnsord Valus Inrval Cnsord Valus Nam of Dsrbuon LLogsc Log Lklood Numbr of Obsrvaons Rad 4 Numbr of Obsrvaons Usd 4 Class Lvl Informaon Nam Lvls Valus Prlakuan 2 Typ III Analyss of Effcs Wald Effc DF C-quar Pr > Cq Prlakuan Usa Analyss of Paramr Esmas andard 95% Confdnc C- Paramr DF Esma Error Lms quar Pr>Cq Inrcp Prlakuan Prlakuan Usa cal

32 24 Lampran 5. Daa dak rsnsor Rgrs logsk T LOGITIC Procdur Modl Informaon Daa WORK.PENDERITA Rspons Varabl Evns nsor Rspons Varabl Trals Waku Modl bnary log Opmzaon Tcnqu Fsr's scorng Numbr of Obsrvaons Rad 5 Numbr of Obsrvaons Usd 5 um of Frquncs Rad 84 um of Frquncs Usd 84 Rspons Profl Ordrd Bnary Toal Valu Oucom Frquncy Evn 5 2 Nonvn 754 Modl F ascs Inrcp Inrcp and Crron Only Covaras AIC C Log L T LOGITIC Procdur Analyss of Maxmum Lklood Esmas andard Wald Paramr DF Esma Error C-quar Pr > Cq Inrcp <. Prlakuan Usa Odds Rao Esmas Pon 95% Wald Effc Esma Confdnc Lms Prlakuan Usa Assocaon of Prdcd Probabls and Obsrvd Rsponss Prcn Concordan 59.3 omrs' D.242 Prcn Dscordan 35. Gamma.257 Prcn Td 5.6 Tau-a.3 Pars 877 c.62 Analss urvval Inpu proc forma; valu saus 'Mnnggal' 'Trsnsor'; run; daa pndra; npu Nomor Usa Waku nsor daalns;

33 ; proc lfrg; class prlakuan; modl Waku*nsorPrlakuan Usa/dLLOGITIC; run; T LIFEREG Procdur Modl Informaon Daa WORK.PENDERITA Dpndn Varabl LogWaku Cnsorng Varabl nsor Cnsorng Valus Numbr of Obsrvaons 5 Noncnsord Valus 5 Rg Cnsord Valus Lf Cnsord Valus Inrval Cnsord Valus Nam of Dsrbuon LLogsc

34 26 Log Lklood Numbr of Obsrvaons Rad 5 Numbr of Obsrvaons Usd 5 Class Lvl Informaon Nam Lvls Valus Prlakuan 2 Typ III Analyss of Effcs Wald Effc DF C-quar Pr > Cq Prlakuan Usa Analyss of Paramr Esmas andard 95% Confdnc C- Paramr DF Esma Error Lms quar Pr>Cq Inrcp <. Prlakuan Prlakuan Usa cal

35 27

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi BAB IV AKSIRA MAKSIMUM LIKELIHOOD FUGSI IESIAS POISSO OHOMOGE 4 Pndahuluan Brku n, akan dbahas nang dua pndkaan unuk mndapakan aksran fungs nnsas pross Posson nonhomogn, yau scara ors dan sud kasus Pada

Lebih terperinci

BAB IV DATA DAN ANALISA

BAB IV DATA DAN ANALISA BAB IV DATA DAN ANALISA Pngujian yang dilakukan brupa pngujian masa hidup (lifim) cahaya dari 0 uni lampu DC 4,8 Vol olh hardwar yang lah dirancang. Hasil pngujian ini akan dianalisa raa-raa lifim µ dari

Lebih terperinci

ABSTRACT. Mathematics, IPB. For censored data, survival time using Exponential method is St ˆ( ) = e λ

ABSTRACT. Mathematics, IPB. For censored data, survival time using Exponential method is St ˆ( ) = e λ ANALII DATA URVIVAL WAKTU TUNGGU MENDAPATKAN PEKERJAAN PERTAMA DENGAN MENGGUNAKAN METODE EKPONENIAL DAN WEIBULL MARLINA RAHMAWATI G5433 DEPARTEMEN MATEMATIKA FAKULTA MATEMATIKA DAN ILMU PENGETAHUAN ALAM

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

MODEL MATEMATIS DAN SIMULASI PERGERAKAN HARGA SAHAM SKRIPSI

MODEL MATEMATIS DAN SIMULASI PERGERAKAN HARGA SAHAM SKRIPSI MODEL MATEMATI DAN IMULAI PERGERAKAN HARGA AHAM KRIPI Dajukan Unuk Mmnuh alah au yara Mmprolh Glar arjana ans Program ud Mamaka Dsusun Olh : RIDWAN RAHADIYANTO NIM : 334 PROGRAM TUDI MATEMATIKA JURUAN

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

Pengaruh Penyisipan Induktor dan Kapasitor pada Sambungan Saluran Udara dan Kabel Distribusi 20 kv terhadap Perambatan Gelombang Tegangan Surja

Pengaruh Penyisipan Induktor dan Kapasitor pada Sambungan Saluran Udara dan Kabel Distribusi 20 kv terhadap Perambatan Gelombang Tegangan Surja 8 Pngaruh Pnyspan Indukor dan Kapasor pada Sambungan Saluran Udara dan Kabl Dsrbus kv rhadap Prambaan Glombang gangan Surja Moch. Dhofr Absrak Dalam ulsan n dpaparkan pngaruh sspan L sr aau C parall danara

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

Peranan Formulasi Inversi pada Fungsi Karakteristik Suatu Variabel Acak

Peranan Formulasi Inversi pada Fungsi Karakteristik Suatu Variabel Acak Pranan Formulasi Invrsi pada Fungsi Karakrisik Suau Variabl Acak Jon Maspupu Pusfasainsa LAPAN, Jl Dr Djundjunan No 33 Bandung 473, lp 66 Ps 6 Fax 64998 E-mail: jon_mspp@yaoocom Absrac: In probabiliy ory,

Lebih terperinci

BAB 3 PERSAMAAN DIFFERENSIAL UNTUK MENENTUKAN HARGA SUATU ASET TURUNAN

BAB 3 PERSAMAAN DIFFERENSIAL UNTUK MENENTUKAN HARGA SUATU ASET TURUNAN BAB 3 PERSAMAAN DIFFERENSIAL UNTUK MENENTUKAN HARGA SUATU ASET TURUNAN Pmbahasan harga opsi idak dapa dilpaskan dari pmbahasan nang skurias lain yang brhubungan dngan haga opsi. Shingga prlu dibahas masalah

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

Analisis Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

Lebih terperinci

BAB 4 MODEL MATEMATIKA PENGARUH TERAPI OBAT TERHADAP DINAMIKA VIRUS HIV DALAM TUBUH

BAB 4 MODEL MATEMATIKA PENGARUH TERAPI OBAT TERHADAP DINAMIKA VIRUS HIV DALAM TUBUH BAB 4 MODEL MATEMATIKA PENGARUH TERAPI OBAT TERHADAP DINAMIKA VIRUS HIV DALAM TUBUH Sjak bbrapa ahun yang lalu, ilmuwan asal Amrika Marin Nowak dan Sbasian Bonhoffr mncoba mmplo daa dari pnliian oba ani-hiv.

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

Pendekatan Bayes Empirik Pada Pendugaan Statistik Area Kecil Berbasis Model Poisson-Gamma Dengan Peubah Penyerta

Pendekatan Bayes Empirik Pada Pendugaan Statistik Area Kecil Berbasis Model Poisson-Gamma Dengan Peubah Penyerta Pnkaan Bas mprk Paa Pnugaan Sask Ara Kcl Brbass Mol Posson-Gamma Dngan Pubah Pnra Ksmann Jurusan Pnkan Mamaka FMIPA Unvrsas Ngr ogakara Absrak Bas mprk mrupakan salah sau mo paa pnugaan ara kcl ang apa

Lebih terperinci

PENDEKATAN BAYES EMPIRIK PADA PENDUGAAN STATISTIK AREA KECIL BERBASIS MODEL POISSON-GAMMA DENGAN PEUBAH PENYERTA 1)

PENDEKATAN BAYES EMPIRIK PADA PENDUGAAN STATISTIK AREA KECIL BERBASIS MODEL POISSON-GAMMA DENGAN PEUBAH PENYERTA 1) PNDKATAN BAS MPIRIK PADA PNDUGAAN STATISTIK ARA KCIL BRBASIS MODL POISSON-GAMMA DNGAN PUBAH PNRTA ) Ksmann Jurusan Pnkan Mamaka FMIPA Unvrsas Ngr ogakara Bas mprk mrupakan salah sau mo paa pnugaan ara

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

PENGUKURAN BULLWHIP EFFECT DENGAN MODEL AUTOREGRESSIVE

PENGUKURAN BULLWHIP EFFECT DENGAN MODEL AUTOREGRESSIVE PENGUKURAN BUWHIP EFFECT ENGAN MOE AUTOREGRESSIVE Ta Talha Program Su Tknk Inusr, Fakulas Tknk Unvrsas an Nuswanoro Jalan Nakula I No. 5- Smarang E-mal : a@osn.nus.ac. Absrak Kurangnya nformas apa mnmbulkan

Lebih terperinci

SISTEM PENGOLAHAN ISYARAT. Kuliah 5 Transformasi Fourier

SISTEM PENGOLAHAN ISYARAT. Kuliah 5 Transformasi Fourier TKE 403 SISTEM PENGOLAHAN ISYARAT Kuliah 5 Transformasi Fourir Bagian II Indah Susilawai, S.T., M.Eng. Program Sudi Tknik Elkro Fakulas Tknik dan Ilmu Kompur Univrsias Mrcu Buana Yogyakara 009 KULIAH 5

Lebih terperinci

TOPIK 5 Bagian 1. andhysetiawan

TOPIK 5 Bagian 1. andhysetiawan OPIK 5 Baan andhysawan Pndahuluan ransforas Fourr dan Funs Dla Drac Modulas Doubl Sd Band DSB andhysawan Modulas ross rubahan karakrsk suau loban nuru ola loban lan, dnan cara nuankan boncnkan suau loban

Lebih terperinci

PENGUAT FREKUENSI RENDAH (lanjutan)

PENGUAT FREKUENSI RENDAH (lanjutan) EEKTONK NOG Prtmuan 4 PENGUT FEKUENS ENDH (lanjutan) Pngkut Emtr (Emttr Followr) Pnguat transstor kolktor umum (ommon-mttr) dsut juga dgn stla pngkut mtr. Konfgurasnya dgamarkan s. Konfguras kolktor-umum

Lebih terperinci

DEFORMASI INTERAKSI DUA PAKET GELOMBANG DARI PERSAMAAN IMPROVED KdV (IKdV)

DEFORMASI INTERAKSI DUA PAKET GELOMBANG DARI PERSAMAAN IMPROVED KdV (IKdV) DEFOMSI INTEKSI DU PKET GELOMBNG DI PESMN IMPOVED KdV IKdV Sumn Jurusan Mamaa FMIP Unvrsas Dongoro Jl. Prof. H. Sodaro SH Tmbalang Smarang 575 E-mal: su_mn@yaoo.om bsra: Hr W wll sudy nonlnar wo wavs a

Lebih terperinci

2.1 Persamaan Gerak Roket dalam Ruang Tiga Dimensi

2.1 Persamaan Gerak Roket dalam Ruang Tiga Dimensi BAB DASAR TEOR. Prsamaan Grak Rok dalam Ruang Tiga Dimnsi Prsamaan grak rok di bidang ruang iga dimnsi pada Taa Acuan Koordina Bnda diurunkan dari Prsamaan Dinamik Rok [Rf. ] sbagai briku: Grak Translasi

Lebih terperinci

BAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST

BAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Ir. A.Rachman Hasibuan dan Naemah Mubarakah, ST BAB ESPONS FUNGSI STEP PADA ANGKAIAN DAN C Oleh : Ir. A.achman Hasbuan dan Naemah Mubarakah, ST . Persamaan Dferensal Orde Sau Adapun benuk yang sederhana dar suau persamaan dferensal orde sau adalah:

Lebih terperinci

BAB IV TURUNAN FUNGSI. Setelah mengikuti pokok bahasan ini mahasiswa diharapkan mampu menentukan turunan fungsi yang diberikan.

BAB IV TURUNAN FUNGSI. Setelah mengikuti pokok bahasan ini mahasiswa diharapkan mampu menentukan turunan fungsi yang diberikan. BAB IV TURUNAN FUNGSI Sla kia mmbaas i an kkoninuan fungsi paa bab sblumna, kia akan mmbaas nang urunan ang konspna ikmbangkan ari konsp i Pmbaasan urunan ibagi mnjai ua bagian, bagian prama mmbaas pngrian,

Lebih terperinci

( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32)

( ) STUDI KASUS. ò (, ) ( ) ( ) Rataan posteriornya adalah = Rataan posteriornya adalah (32) 8 Raaan poserornya adalah E m x ò (, ) f ( x) m f x m f f m ddm (32) Dalam obseras basanya dgunakan banyak daa klam. Msalkan saja erdr dar grup daa klam dengan masng-masng grup ke unuk seap, 2,..., yang

Lebih terperinci

Model Gelombang Panjang dengan Metoda Elemen Hingga Diskrit. Syawaluddin Hutahean 1)

Model Gelombang Panjang dengan Metoda Elemen Hingga Diskrit. Syawaluddin Hutahean 1) Huahan Vol. 0 No. Januar 003 urnal TEKNIK SIPIL Modl Glombang Panjang dngan Moda Elmn Hngga Dskr Syawaluddn Huahan ) bsrac Ths papr nroducs Dscr Fn Elmn Mhod (DFEM) o solv long war wav quaon. Ths mhod

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

Di bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif

Di bidang ekonomi tidak semua informasi dapat diukur secara kuantitatif. Peubah dummy digunakan untuk memperoleh informasi yang bersifat kualitatif Regres Dummy D bdang ekonom dak semua nformas dapa dukur secara kuanaf Peubah dummy dgunakan unuk memperoleh nformas yang bersfa kualaf Conoh pada daa cross secon: Gender: sebaga penenu jumlah pendapaan

Lebih terperinci

Catatan Kuliah 8 Memahami dan Menganalisa Optimisasi Pertumbuhan

Catatan Kuliah 8 Memahami dan Menganalisa Optimisasi Pertumbuhan Caaan Kuliah 8 Mahai dan Mnganalisa Opiisasi Prubuhan. Sia dari Fungsi Eksponnsial Fungsi ksponnsial adalah ungsi ang variabl bbasna uncul sbagai pangka. Bnuk uu : b ; b > diana : variabl dpndn Conoh :

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Creaed by Smpo PDF Creaor Pro (unregsered verson) hp://www.smpopdf.com Sask Bsns : BAB 8 VIII. ANALISIS DATA DERET BERKALA (TIME SERIES) 8.1 Pendahuluan Daa Berkala (Daa Dere waku) adalah daa yang dkumpulkan

Lebih terperinci

ESTIMASI PARAMETER DUA LEVEL MODEL GSTARX-GLS

ESTIMASI PARAMETER DUA LEVEL MODEL GSTARX-GLS Program Sudi MMT-ITS, Surabaya Agusus ESTIMASI PARAMETER UA LEVEL MOEL GSTARX- Andria Prima iago dan Suharono Program Sudi Magisr Saisika, Insiu Tknologi Spuluh Nopmbr Jl Arif Rahman Hakim, Surabaya,,

Lebih terperinci

Perbandingan Perhitungan Jumlah Penduduk Tahunan dengan Interpolasi Spline dan Simulasi Asumsi Gompertz

Perbandingan Perhitungan Jumlah Penduduk Tahunan dengan Interpolasi Spline dan Simulasi Asumsi Gompertz Prosiding Smiraa FMIPA Univrsias Lampung, Prbandingan Prhiungan Jumlah Pnduduk Tahunan dngan Inrpolasi Splin dan Simulasi Asumsi Gomprz Ds Alwin Zayani Jurusan Mamaika FMIPA Univrsias Sriwaya E-mail: dalwinzayani@yahoo.com

Lebih terperinci

BAB 8 PERSAMAAN DIFERENSIAL BIASA

BAB 8 PERSAMAAN DIFERENSIAL BIASA Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel

Lebih terperinci

Muthmainnah PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2007 M/1428 H

Muthmainnah PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2007 M/1428 H PERBANDINGAN MODEL COX PROPORTIONAL HAZARD DAN MODEL PARAMETRIK BERDASARKAN ANALISIS RESIDUAL (Sud Kasus pada Daa Kanker Paru-Paru yang Dperoleh dar Conoh Daa pada Sofware S-Plus 2000 dan Smulas unuk Dsrbus

Lebih terperinci

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU Pada bab III, ka elah melakukan penguan erhadap meoda Runge-Kua orde 4 pada persamaan panas. Haslnya, solus analk persamaan panas

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk

Lebih terperinci

BAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1

BAB I PENDAHULUAN FASILKOM-UDINUS T.SUTOJO RANGKAIAN LISTRIK HAL 1 BAB I PENDAHULUAN 1.1 Defns Rangkaan Lsrk Rangkaan Lsrk adalah sambungan dar beberapa elemen lsrk ( ressor, kapasor, ndukor, sumber arus, sumber egangan) yang membenuk mnmal sau lnasan eruup yang dapa

Lebih terperinci

ELEKTROMAGNETIK TERAPAN 1. GELOMBANG LINTAS MEDIUM

ELEKTROMAGNETIK TERAPAN 1. GELOMBANG LINTAS MEDIUM LKTROMAGNTIK TRAPAN. GLOMBANG LINTAS MDIUM OUTLIN. Glombang Lnas Mdum a) Glombang Jauh Nomal b) Glombang Jauh Mng PNDAHULUAN Jka glombang daa sbasama mlwa aau lbh mdum. Tdapa kmungknan plakuan hadap glombang,

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah

Lebih terperinci

BAB NILAI EIGEN DAN VEKTOR EIGEN

BAB NILAI EIGEN DAN VEKTOR EIGEN BAB 8 RUANG EIGEN Masalah nilai dan vkor ign banyak skali dijumpai dalam bidang rkayasa, spri maslah ksabilan sism, opimasi dngan SVD, komprsi pada pngolahan cira, dan lain-lain. Unuk lbih mmahami masalah

Lebih terperinci

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial Prhungan Pr dngan Asus Wau Anar Kla Brdsrbus Esponnsal Fahauz Zuharoh Jurusan Pnddan Maaa, STKIP, YPUP Maassar Info: Jurnal MSA Vol. 2 o. Eds: Januar Jun 24 Arl o.: 3 Halaan: 5-22 ISS: 2355-83X Prod Maaa

Lebih terperinci

INTERFERENSI DAN DIFRAKSI. Mata Kuliah: Gelombang & Optik Dosen: Andhy Setiawan

INTERFERENSI DAN DIFRAKSI. Mata Kuliah: Gelombang & Optik Dosen: Andhy Setiawan TRFRS DA DFRAKS Maa Kulah: Glombang & Opk Dosn: Anhy Sawan A. nfns nfns mupakan ppauan ua aau lbh glombang sbaga akba blakunya pnsp supposss. nfns ja bla glombang glombang sbu kohn, yau mmpunya pbaan fas

Lebih terperinci

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan : Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan

Lebih terperinci

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban

Lebih terperinci

Transformasi Peubah Acak (Lanjutan)

Transformasi Peubah Acak (Lanjutan) Dpt. Statistika IPB, 0 Transormasi Pubah Acak Lanjutan B. Mtod Pnggantian Pubah Mtod ini mrupakan pngmbangan dari mtod ungsi sbaran. Misalkan diktahui kp bagi p.a. adalah x. Jika didinisikan p.a. lainna

Lebih terperinci

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan Opma Model Invenory Deermnk unuk Permnaan Menak dan Baya Pemeanan Konan Dana Purwaar, Rully Soelaman, Fr Qona Fakula Teknolog Informa, Inu Teknolog Sepulu Nopember, Surabaya E-mal : rully@-by.edu Abrak

Lebih terperinci

Analisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard

Analisis Survival pada Pasien Penderita Sindrom Koroner Akut di RSUD Dr. Soetomo Surabaya Tahun 2013 Menggunakan Regresi Cox Proportional Hazard JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Prn) D151 Analss Survval pada Pasen Pendera Sndrom Koroner Aku d RSUD Dr. Soeomo Surabaya Tahun 213 Menggunakan Regres Cox Proporonal Hazard

Lebih terperinci

Uji Homogenitas Varians

Uji Homogenitas Varians Uj Homogentas Varans I. DUA VARIANS Pengujan hpotess dua varans dlakukan untuk mengetahu varans dua populas sama (homogen atau tdak (heterogen. S dan S merupakan penduga σ dan σ Rumus varans : x ( x S

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 5 BAB II LANDASAN TEORI Pada bab n akan dbahas beberapa eor dasar yang kelak akan dgunakan dalam penurunan formula penenuan harga Asan Opon, bak secara analk pada Bab III maupun secara numerk pada Bab

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan

Optimasi Model Inventory Deterministik untuk Permintaan Menaik dan Biaya Pemesanan Konstan Opma Model Invenory Deermnk unuk Permnaan Menak dan Baya Pemeanan Konan Dana Purwaar, Rully Soelaman, Fr Qona Fakula Teknolog Informa, Inu Teknolog Sepulu Nopember, Surabaya E-mal : rully@-by.edu Abrak

Lebih terperinci

9. TEKNIK PENGINTEGRALAN

9. TEKNIK PENGINTEGRALAN 9. TEKNIK PENGINTEGRALAN 9. Inegral Parsal Formula Inegral Parsal : Cara : plh u yang urunannya lebh sederhana Conoh : Hung u dv uv v du e d msal u =, maka du=d dv e d v e d e sehngga e d e e d e e C INF8

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

KONSEP DASAR. Latar belakang Metode Numerik Ilustrasi masalah numerik Angka signifikan Akurasi dan Presisi Pendekatan dan Kesalahan

KONSEP DASAR. Latar belakang Metode Numerik Ilustrasi masalah numerik Angka signifikan Akurasi dan Presisi Pendekatan dan Kesalahan KONSEP DASAR Laar belakang Meode Numerk Ilusras masalah numerk Angka sgnfkan Akuras dan Press Pendekaan dan Kesalahan Laar Belakang Meode Numerk Tdak semua permasalahan maemas dapa dselesakan dengan mudah,

Lebih terperinci

IMPLEMENTASI MODEL PENGUKURAN BULLWHIP EFFECT MENGGUNAKAN MODEL MA(1)

IMPLEMENTASI MODEL PENGUKURAN BULLWHIP EFFECT MENGGUNAKAN MODEL MA(1) IMPEMENTASI MOE PENGUKURAN BUWHIP EFFECT MENGGUNAKAN MOE MA() Ta Talha Jurusan Tknk Inusr Fakulas Tknk Unvrsas an Nuswanoro Jalan Nakula I No. 5- Smarang Emal : a@osn.nus.ac. Absrac In supply chan managmn

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta

Lebih terperinci

= = =

= = = = + + + = + + + = + +.. + + + + + + + + = + + + + ( ) + ( ) + + = + + + = + = 1,2,, = + + + + = + + + =, + + = 1,, ; = 1,, =, + = 1,, ; = 1,, = 0 0 0 0 0 0 0...... 0 0 0, =, + + + = 0 0 0 0 0 0 0 0 0....

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 7 Gorontalo pada tahun ajaran 2012/2013 3. Lokas dan Waku Penelan 3.. Lokas Penelan BAB III METODOLOGI PENELITIAN Penelan n dlaksanakan d SMP Neger 7 Goronalo pada ahun ajaran 0/03 3.. Waku Penelan Penelan n d laksanakan pada semeser genap ahun

Lebih terperinci

BAB III TURUNAN FUNGSI

BAB III TURUNAN FUNGSI BAB III TURUNAN FUNGSI Sandar Kompnsi Mahasiswa mmahami konsp urunan unsi dan knik-knik an dapa diunakan unuk mnnukan urunan, baik unsi ksplisi maupun unsi implisi,. Kompnsi Dasar Slah mmplajari pokok

Lebih terperinci

PENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1

PENDUGAAN STATISTIK AREA KECIL DENGAN METODE EMPIRICAL CONSTRAINED BAYES 1 PENDUGAAN SAISIK AREA KECIL DENGAN MEODE EMPIRICAL CONSRAINED AYES Ksmann Jurusan Penddkan Maemaka FMIPA Unversas Neger Yogyakara Absrak Meode emprcal ayes (E merupakan meode yang lebh aplkaf pada pendugaan

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

APLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a

APLIKASI STRUKTUR GRUP YANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI. Mujiasih a APLIKASI STRUKTUR GRUP ANG TERKAIT DENGAN KOMPOSISI TRANSFORMASI PADA BANGUN GEOMETRI Mujash a a Program Sud Maemaka Jurusan Tadrs Fakulas Tarbah IAIN Walsongo Jl. Prof. Dr. Hamka Kampus II Ngalan Semarang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

Tinjauan Termodinamika Sistem Partikel Tunggal Yang Terjebak Dalam Sebuah Sumur Potensial. Oleh. Saeful Karim

Tinjauan Termodinamika Sistem Partikel Tunggal Yang Terjebak Dalam Sebuah Sumur Potensial. Oleh. Saeful Karim Tinjauan Trmodinamika Sistm artikl Tunggal Yang Trjbak Dalam Sbua Sumur otnsial Ol Saful Karim Jurusan ndidikan Fisika Fakultas ndidikan Matmatika dan Ilmu ngtauan Alam Univrsitas ndidikan Indonsia 00

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

BAB IV FUNGSI KOMPLEKS 47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas

Lebih terperinci

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA Olh : Yanti Muliyaningsih G40026 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.. KERANGKA ANALISIS Kerangka analss merupakan urutan dar tahapan pekerjaan sebaga acuan untuk mendapatkan hasl yang dharapkan sesua tujuan akhr dar kajan n, berkut kerangka

Lebih terperinci

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER

INFERENSI FUNGSI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran (Inferens Fungs Ketahanan dengan Metode Kaplan-Meer INFERENI FUNGI KETAHANAN DENGAN METODE KAPLAN-MEIER Tatk Wdharh dan Naschah ska Andran Jurusan Matematka FMIPA UNDIP

Lebih terperinci

! BUPATI PACriAN j PERATURAN BUPATI PACITAN NOMOR 18 TAHUN 2013

! BUPATI PACriAN j PERATURAN BUPATI PACITAN NOMOR 18 TAHUN 2013 ! BUPAT PACrAN j PERATURAN BUPAT PACTAN NOMOR 18 TAHUN 2013 TENTANG PEDOMAN PENYUSUNAN LAPORAN DEWAN PENGAWAS BADAN LAYANAN UMUM DAERAH PADA RUMAH SAKT UMUM DAERAH KABUPATEN PACTAN DENGAN RAHMAT TUHAN

Lebih terperinci

( L ). Matriks varians kovarians dari

( L ). Matriks varians kovarians dari LIVIA PUSPA T 677 9.3 METODE KOMPONEN UTAMA Informas yang dbuuhkan daam eknk komponen uama suau daa ddapa dar marks varans kovarans, aau marks koreasnya. Meode komponen uama n, beruuan unuk menaksr parameer

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

MATEMATIKA TERAPAN I. REVIEW

MATEMATIKA TERAPAN I. REVIEW MATEMATIKA TERAPAN Dafar isi : I. Rviw Dfinisi Dasar Fungsi Variabl Turunan/Drivaif Bbrapa auran pada oprasi urunan Laihan Soal Ingral Bbrapa sifa pada oprasi ingral Bbrapa sifa rigonomri ang prlu diprhaikan

Lebih terperinci

Analisis Regresi 2. Mendeteksi pencilan dan penanganannya

Analisis Regresi 2. Mendeteksi pencilan dan penanganannya Analss Regres Pokok Bahasan : Mendeteks penclan dan penanganannya TUJUAN INSTRUKSIONAL KHUSUS : Mahasswa dapat mendeteks adanya penclan pada regres lner berganda Penclan Penclan adalah pengamatan yang

Lebih terperinci

APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE)

APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE) APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE) Abdul Gaus Program Studi Tknik Siil Fakultas Tknik Univrsitas Khairun Trnat Tl/Fax (091) 38049 Irnawaty

Lebih terperinci

Reliabilitas. A. Pengertian

Reliabilitas. A. Pengertian Relablas A. Pengean Relablas adalah sejauh mana hasl ujan sswa eap aau konssen da posedu penlaan (Nko, 007:66). Menuu Ellen, suau es dkaakan elabel jka sko obsevas nla awal behubungan dengan sko yang sebenanya.

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

SKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH

SKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH SKRIPSI PENGARUH PENILAILAN PRESTASI KERJA TERHADAP PROMOSI JABATAN KANTOR PT PERKEBUNAN NUSANTARA IV MEDAN UNIT KEBUN ADOLINA OLEH Dw Wra Prawaty 110502294 PROGRAM STUDI STRATA 1 MANAJEMEN DEPARTEMEN

Lebih terperinci

Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) (2)

Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) (2) JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Prn) D-17 Analss Kurva Survval Kaplan Meer pada Pasen HIV/AIDS dengan Anrerovral Therapy (ART) d RSUD Prof. Dr. Soekandar Kabupaen Mojokero

Lebih terperinci

P r o f i l U s a h. a A s p e k P a s a r P e r m i n t a a n H a r g a...

P r o f i l U s a h. a A s p e k P a s a r P e r m i n t a a n H a r g a... P O L A P E M B I A Y A A N U S A H A K E C I L S Y A R I A H ( P P U K -S Y A R I A H ) I N D U S T R I S O H U N P O L A P E M B I A Y A A N U S A H A K E C I L S Y A R I A H ( P P U K -S Y A R I A H

Lebih terperinci

Solusi khusus dari masalah nilai awal tersebut dapat ditulis dalam bentuk integral Fourier, yaitu:

Solusi khusus dari masalah nilai awal tersebut dapat ditulis dalam bentuk integral Fourier, yaitu: KARTIKA YULIANTI Jurusan Pndidian Mamaia FPMIPA - Univrsias Pndidian Indonsia Jl. Dr. Syabudhi 9, Bandung Tlp. () 8, Fa () 8 -mail: yar_ia @ yahoo.com DINAMIKA FLUIDA EXERCISE. Ta as iniial spcrum a bloc

Lebih terperinci

Analysis of Covariance (ANACOVA)

Analysis of Covariance (ANACOVA) Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada

Lebih terperinci

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE Fan Puspasar 201 16019 Program Sud Magser Maemaa Faulas Maemaa dan Ilmu Pengeahuan Alam Insu Tenolog Bandung

Lebih terperinci

PROSIDING. Rancang Bangun Penjadwalan Pekerjaan Pada Grid Computing. Ardi Pujiyanta 1, Selo 2

PROSIDING. Rancang Bangun Penjadwalan Pekerjaan Pada Grid Computing. Ardi Pujiyanta 1, Selo 2 PROSIDING Smnar Nasonal MIPA 2016 Naskah dsmnarkan pada 5 Novmbr 2016 dan dpublkaskan pada hp://conf.unns.ac.d/ndx.php/mpa/mpa2016/schdconf/prsnaons Rancang Bangun Pnjadwalan Pkrjaan Pada Grd Compung Ard

Lebih terperinci

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap

Lebih terperinci

Tinjauan Termodinamika Pada Sistem Partikel Tunggal Yang Terjebak Dalam Sebuah Sumur Potensial

Tinjauan Termodinamika Pada Sistem Partikel Tunggal Yang Terjebak Dalam Sebuah Sumur Potensial injauan rmodinamika ada Sistm artikl unggal Yang rjbak Dalam Sbua Sumur otnsial Dngan mngmbangkan ubungan trmodinamik yang sdrana untuk pngumpulan partikl yang tunggal yang ditmpatkan pada dara potnsial.

Lebih terperinci

MODEL MATEMATIKA SISTEM MEKANIKA

MODEL MATEMATIKA SISTEM MEKANIKA MODEL MAEMAIKA SISEM MEKAIKA PEGAAR Paa bagian ini akan ibaha mngnai pmbuaan mol mamaika ari im mkanika baik alam bnuk pramaan iffrnial, fungi alih maupun iagram blok. Prgrakan ari lmn im mkanika apa ikripikan

Lebih terperinci

BAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI

BAB 5 ENTROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUNYI BAB ETROPI PADA MATRIKS EMISI MODEL MARKOV TERSEMBUYI Model Markov Tersembuny (Hdden Markov Model, MMT) elah banyak daplkaskan dalam berbaga bdang seper pelafalan bahasa (speeh reognon) dan klasfkas (luserng).

Lebih terperinci

INTERFERENSI DAN DIFRAKSI

INTERFERENSI DAN DIFRAKSI ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau

Lebih terperinci

A v V i. Gambar 5.1. Rangkaian ekuivalen Thevenin dari suatu penguat tegangan

A v V i. Gambar 5.1. Rangkaian ekuivalen Thevenin dari suatu penguat tegangan Mata kula LKTONKA ANALOG. LOLOH ALK Pngglngan pnguat ( amplr) dapat pula dglngkan dalam 4 macam glngan umum, yatu pnguat tgangan, pnguat aru, pnguat tranantaran dan pnguat trantaanan. Pngglngan n brdaarkan

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

Solusi Numerik Model Umum Epidemik Susceptible, Infected, Recovered (SIR) dengan Menggunakan Metode Modified Milne-Simpson

Solusi Numerik Model Umum Epidemik Susceptible, Infected, Recovered (SIR) dengan Menggunakan Metode Modified Milne-Simpson JURNAL SAINTIFIK VOL. NO. JULI 0 Slus Numerk Mdel Umum Epdemk Suscepble Ineced Recvered SIR denan Menunakan Mede Mded Mlne-Smpsn Wayudn Nur Nurul Muklsa Abdal Prram Sud Maemaka FMIPA Unversas Sulawes Bara

Lebih terperinci

Catatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan

Catatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K

Lebih terperinci

BAB 2 SISTEM MAKRO DAN MIKRO

BAB 2 SISTEM MAKRO DAN MIKRO BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh

Lebih terperinci